10、MLFlow在模型训练与调优中的应用

MLFlow在模型训练与调优中的应用

在机器学习模型的训练过程中，参数调优和模型评估是至关重要的环节。MLFlow作为一个强大的工具，能够帮助我们更高效地完成这些任务。本文将详细介绍如何使用MLFlow进行参数调优以及如何将其与TensorFlow 2.0+/Keras集成。

1. 参数调优 - 引导搜索

在最初的验证实验中，我们发现异常权重在5到10之间时，平均AUC分数似乎有所增加，但从10到15则有轻微下降。不过，从10到15的平均AUC分数下降基本可以忽略不计。这表明我们可能没有找到一个确定的理想范围。

为了找到更好的超参数设置，我们需要扩大搜索范围。基于数据分布和正常点与异常点的数量差异，我们可以凭直觉引导超参数搜索，进一步扩大范围。

以下是具体的操作步骤：
1. 修改异常权重范围 ：回到之前的代码单元格（或复制粘贴到新单元格），将异常权重修改为 anomaly_weights = [10, 50, 100, 150, 200] 。
2. 创建新实验 ：为了避免新的运行结果与原始调优实验混淆，我们需要创建一个新的实验。将旧验证脚本中的 mlflow.set_experiment("sklearn_creditcard_broad_search") 修改为 mlflow.set_experiment("sklearn_creditcard_guided_search") 。
3. 运行代码并查看结果 ：运行修改后的代码，完